ไฟป่าเป็นภัยพิบัติที่ต้องอาศัยการตรวจจับและตอบสนองอย่างรวดเร็ว เพราะการพบเปลวไฟหรือกลุ่มควันตั้งแต่ระยะเริ่มต้นอาจช่วยลดความเสียหายต่อชีวิต ทรัพย์สิน และระบบนิเวศได้ เทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence: AI) ที่ทำงานร่วมกับอากาศยานไร้คนขับ (Unmanned Aerial Vehicle: UAV) หรือโดรน จึงเป็นอีกแนวทางหนึ่งที่มีศักยภาพในการเฝ้าระวังไฟป่าจากมุมสูง โดยใช้ระบบตรวจจับภาพเพื่อระบุไฟและควันได้โดยอัตโนมัติ

อย่างไรก็ตาม คำถามสำคัญไม่ได้อยู่เพียงว่าระบบสามารถตรวจจับไฟและควันได้แม่นยำเพียงใดในชุดข้อมูลที่ใช้ฝึกสอน แต่คือ เมื่อเปลี่ยนไปใช้กับภาพจากพื้นที่หรือสภาพแวดล้อมที่แตกต่างกัน ระบบยังคงทำงานได้ดีหรือไม่ และมีความเร็วเพียงพอสำหรับการใช้งานจริงบนโดรนหรือเปล่า

งานวิจัยเรื่อง "Cross-Dataset Evaluation of YOLOv8 for Un-manned Aerial Vehicle Fire and Smoke Detection: Benchmark Contamination, Zero-Shot Transfer, and Onboard Deployment on a Low-Cost Airframe" ของ ดร. วัชระ เรืองสังข์ และ ดร. ปฏิยุทธ พรามแก้ว กลุ่มสาขาการวิจัยเชิงกลยุทธ์ : การเปลี่ยนแปลงด้วยเทคโนโลยีดิจิตอล (Digital Transformation) โครงการร่วมบริหารหลักสูตรมีเดียอาตส์และเทคโนโลยีมีเดีย (คณะสถาปัตยกรรมศาสตร์และการออกแบบ) งานวิจัยนี้นำเสนอหลักฐานที่ช่วยให้เข้าใจข้อจำกัดของการนำ YOLOv8 ไปใช้ตรวจจับไฟและควันจากภาพโดรนได้ชัดเจนขึ้น ทั้งด้านการถ่ายโอนความสามารถข้ามชุดข้อมูล ความน่าเชื่อถือของกระบวนการประเมิน และข้อจำกัดด้านการประมวลผลบนอุปกรณ์จริง

รูปที่ 1 : The assembled F450 quadcopter of the Drone-Helper platform, shown from two viewpoints, with the NVIDIA Jetson Nano A02, the forward-facing webcam, the Pixhawk 2.4.8 flight controller, and the propulsion system in place.

โดยงานวิจัยนี้มีวัตถุประสงค์หลักในการประเมินประสิทธิภาพและความพร้อมของระบบตรวจจับไฟและควันด้วย YOLOv8 สำหรับการใช้งานบนโดรน โดยมีประเด็นศึกษา 4 ด้าน ได้แก่

1. เปรียบเทียบประสิทธิภาพของแบบจำลอง

ประเมิน YOLOv8 จำนวน 3 รุ่น ได้แก่ YOLOv8n, YOLOv8s และ YOLOv8m โดยใช้ชุดข้อมูลสาธารณะ D-Fire และชุดข้อมูล Flame and Smoke Detection Dataset ในส่วนภาพจาก UAV (FASDD_UAV)

2. ตรวจสอบความสามารถในการถ่ายโอนข้ามชุดข้อมูล

ทดสอบว่าแบบจำลองที่ฝึกด้วยชุดข้อมูลหนึ่งสามารถตรวจจับไฟและควันในอีกชุดข้อมูลได้ดีเพียงใด โดยใช้แบบจำลองที่ผ่านการฝึกแล้วและไม่ปรับค่าน้ำหนักใหม่ (Zero-shot Transfer)

3. ตรวจสอบผลกระทบจากภาพที่ซ้ำซ้อนระหว่างชุดฝึกและชุดทดสอบ

ตรวจหาภาพที่มีลักษณะใกล้เคียงกันระหว่างชุดข้อมูลฝึกสอนกับชุดข้อมูลทดสอบ เพื่อประเมินว่าความซ้ำซ้อนดังกล่าวอาจทำให้ผลการทดสอบดูดีกว่าความสามารถในการใช้งานกับภาพใหม่หรือไม่

4. ทดลองใช้งานระบบบนโดรนต้นทุนต่ำ

ประเมินความสามารถในการตรวจจับไฟและควันบนอุปกรณ์จริง รวมถึงตรวจสอบความเร็วในการประมวลผลเมื่อเทียบกับความเร็วของวิดีโอที่ระบบรับเข้ามา

สำหรับการประยุกต์ใช้กับการเฝ้าระวังไฟป่า งานวิจัยนี้ชี้ให้เห็นแนวทางพัฒนาต่อไปสองด้านที่ต้องดำเนินควบคู่กัน ได้แก่ การเพิ่มความสามารถในการตรวจจับเมื่อสภาพแวดล้อมเปลี่ยนไป และการลดเวลาประมวลผลให้เหมาะสมกับการทำงานบนโดรน ก่อนที่ระบบลักษณะนี้จะสามารถสนับสนุนการเฝ้าระวังไฟป่าในภารกิจจริงได้อย่างมีประสิทธิภาพ

สามารถติดตามผลงานการวิจัยของ ดร. วัชระ เรืองสังข์ ได้ที่ Link นี้

https://kirim.kmutt.ac.th/converis/portal/detail/Person/1502960505?lang=de_DE

เอกสารอ้างอิง

Ruangsang, W. & Pramkeaw, P. (2026). Cross-Dataset Evaluation of YOLOv8 for Un-manned Aerial Vehicle Fire and Smoke Detection: Benchmark Contamination, Zero-Shot Transfer, and Onboard Deployment on a Low-Cost Airframe. Drones, 10(8), 1-33. https://doi.org/10.3390/drones10080635